심층 양방향 게이트 순환 단위 네트워크 모델을 이용한 시야 예측

Jun 19, 2023

Scientific Reports 13권, 기사 번호: 11154(2023) 이 기사 인용

320 액세스

2 알트메트릭

측정항목 세부정보

딥러닝 아키텍처가 순차적 데이터를 처리하는 데 사용되었지만 녹내장 진행을 감지하기 위한 딥러닝 알고리즘의 유용성을 조사한 연구는 소수에 불과합니다. 본 논문에서는 시야 손실을 예측하기 위한 Bi-GRU(biDirectional Gated Recurrent Unit) 알고리즘을 제안하였다. 총 3,321명의 환자의 5,413개의 눈이 훈련 세트에 포함되었고, 테스트 세트에는 1,272명의 환자의 1,272개의 눈이 포함되었습니다. 5번의 연속 시야 검사 데이터가 입력으로 사용되었습니다. 여섯 번째 시야 검사를 Bi-GRU의 예측과 비교했습니다. Bi-GRU의 성능을 기존 선형회귀(LR) 및 장단기 기억(LSTM) 알고리즘의 성능과 비교했습니다. Bi-GRU의 전체 예측 오류는 LR 및 LSTM 알고리즘보다 훨씬 낮았습니다. 점별 예측에서는 Bi-GRU가 대부분의 테스트 위치에서 세 가지 모델 중 가장 낮은 예측 오류를 나타냈습니다. 또한 Bi-GRU는 신뢰성 지수 악화와 녹내장 심각도 측면에서 가장 영향을 덜 받는 모델이었습니다. Bi-GRU 알고리즘을 이용한 시야 손실의 정확한 예측은 녹내장 환자의 치료에 관한 의사결정을 용이하게 할 수 있습니다.

전 세계적으로 실명의 주요 원인인 녹내장은 망막 신경절 세포의 비가역적 손실을 특징으로 합니다1,2. 망막 신경절 세포와 시신경 유두의 구조적 변화는 시야의 점진적인 악화를 유발합니다2. 미래 시야에 대한 예측은 시각 기능을 보존하는 데 필수적입니다. 그러나 시야 테스트 결과는 특히 녹내장 환자의 경우 무작위 오류 및 변동에 취약하여 시야 변화를 정확하게 예측하는 데 방해가 됩니다3.

지난 몇 년 동안 머신러닝 알고리즘은 녹내장 진행 예측에 있어 좋은 성능을 보여왔습니다. Wang 등4은 시야 결함의 16가지 원형의 진행을 분류하고 결정했습니다. Murata 등5은 기계 학습 알고리즘의 일종인 변이 베이즈 선형 회귀 분석이 점별 선형 회귀 분석(LR)에 비해 우수한 예측 능력을 발견했습니다. 최근 인공지능의 발달로 인해 딥러닝 알고리즘은 뛰어난 성능으로 다양한 작업에 활용되고 있습니다. 그러나 딥러닝 알고리즘을 활용해 시야 결함의 진행을 예측한 연구는 소수에 불과하다. Wen et al.6은 단일 시야 검사를 입력으로 사용하여 미래 시야를 예측하기 위해 컨볼루셔널 신경망을 사용했습니다. Berchuck et al.7은 변형 자동 인코더 모델을 사용하여 시야 진행 속도를 추정했습니다.

순환 연결이 있는 인공 네트워크인 순환 신경망(RNN)은 시간 의존성을 갖는 순차 시계열 및 시퀀스 모델링에 사용되었습니다8. 순차 요소 간의 종속성을 기반으로 이전 데이터를 사용하여 예측을 수행하여 현재 데이터를 처리할 수 있습니다9,10. RNN의 두 가지 주요 변형인 LSTM(Long Short-Term Memory)11과 GRU(Gated Recurrent Unit)12는 장기 종속성을 긴 시퀀스로 모델링합니다. 이전 연구에서 우리는 LSTM이 일반적인 최소 제곱법 LR13에 비해 미래 시야를 예측하는 데 탁월한 능력을 가지고 있음을 발견했습니다. Dixit et al.14은 LSTM 네트워크가 시야의 종단적인 지역 및 전역 추세를 예측할 수 있음을 발견했습니다.

GRU는 일반적인 LSTM15,16,17에 비해 게이팅 장치를 더 효율적이고 비슷한 속도로 사용합니다. 여러 연구에 따르면 GRU는 다른 RNN 유형에 비해 순차 데이터 분석 성능이 뛰어납니다. 최근에는 긍정적이고 부정적인 시간 방향의 동시 훈련을 통해 양방향 RNN 방법이 개발되었으며, 이는 컨텍스트에 대한 더 나은 이해를 제공합니다. Lynn 등15은 순차적 시계열 데이터의 심전도 기반 생체 인식을 사용하여 인간 식별을 위한 여러 RNN 기반 모델을 비교했습니다. LSTM과 GRU 모델을 사용한 양방향 네트워크는 기존 RNN 모델보다 더 효과적이었으며, Bi-GRU(biDirectional-Gated Recurrent Unit) 모델이 양방향 LSTM 모델보다 우수한 성능을 보였습니다. 시야 검사는 광범위한 상호 연결을 통해 순차적 데이터를 제공하므로 Bi-GRU는 이전 LSTM 기반 RNN 모델에 비해 시야 진행을 더 잘 예측할 수 있습니다.